Derandomization de streaming

Os algoritmos de fluxo exigem, na maioria das vezes, randomização para fazer qualquer coisa não trivial e, devido à restrição de espaço pequeno, precisam de PRGs que usam pouco espaço. Conheço dois métodos que foram citados para uso em algoritmos de fluxo até agora:

• $k$PRGs -wise independentes, como a família independente de quatro sentidos usada por Alon / Matias / Szegedy para o problema original de estimativa , e generalizações para métodos baseados em 2-estabilidade para (digamos) sketching$F_2$$\ell_2$
• O PRG de Nisan que funciona em geral para qualquer tipo de problema de espaço pequeno.

Estou particularmente interessado em métodos que podem ser implementados. Diante disso, ambas as abordagens acima parecem relativamente fáceis de implementar, mas estou curioso para saber se existem outras por aí.

Alguns algoritmos de streaming usam gráficos de expansão. Essa é uma forma um tanto extremada de des randomização (sem bits aleatórios, em princípio).

Em muitos algoritmos geométricos, a amostragem aleatória pode ser substituída por ε-redes e ε-aproximações (de algum espaço de intervalo apropriado com dimensão finita de VC) e estes podem ser mantidos eficientemente por um algoritmo de fluxo - veja meu artigo "Amostragem determinística e contagem de intervalos em geometria Data Streams "com Bagchi, Chaudhari e Goodrich do SoCG 2004 e ACM Trans. Alg. 2007 .

Outra ferramenta são -biased espaços, por exemplo, usado, em$\epsilon$

J. Feldman, S. Muthukrishnan, A. Sidiropoulos, C. Stein, Z. Svitkina, "On Distributing Symmetric Streaming Computations", SODA 2008.